Efecto del modelo predictivo en las evaluaciones de la disposición del paciente por parte del médico de urgencias

Fines/Objetivos Específicos:

1. Mida el efecto de compartir un modelo de predicción de admisión en la evaluación de la disposición del paciente por parte de un médico tratante dentro de una hora desde la presentación en un hospital pediátrico académico terciario.
2. Mida el efecto de compartir una predicción de modelo a partir de un modelo ajustado para un desempeño de subgrupo igual en la evaluación de la disposición del paciente por parte de un médico tratante dentro de una hora desde la presentación en un hospital pediátrico académico terciario.

Antecedentes y significado:

Los modelos de aprendizaje automático (ML) brindan cada vez más apoyo a la toma de decisiones clínicas (CDS) a los equipos de atención para ayudar a priorizar a las personas para una atención específica en función de sus necesidades y resultados de salud previstos. Los métodos de IA/ML pueden tener un impacto particularmente alto en la asignación de recursos en los departamentos de emergencia (DE) en los EE. UU., que han sido descritos por el Instituto de Medicina como "cerca del punto de ruptura" del exceso de capacidad. Desafortunadamente, los modelos a menudo funcionan mal en subpoblaciones sin inversión en relación con la población en su conjunto. Como resultado, los modelos de aprendizaje automático pueden exacerbar las disparidades de salud posteriores al tener un rendimiento deficiente en subpoblaciones de pacientes marginados, especialmente cuando los modelos se expanden a múltiples centros de atención o se utilizan sin monitoreo de subgrupos durante largos períodos de tiempo.

En los últimos años se han desarrollado muchos modelos de predicción para predecir la disposición de los pacientes desde el servicio de urgencias, incluida una herramienta de predicción desarrollada por nuestro grupo y actualmente en etapas piloto en el Boston Children's Hospital, el South Shore Hospital y el Children's Hospital of Los-Angeles. Nuestra herramienta de predicción, el Predictor de colocación del paciente (POPP), proporciona una probabilidad de admisión precisa y en tiempo real basada en los datos disponibles en el registro médico electrónico en el momento de la visita. El aviso previo de posibles admisiones puede tener un impacto importante en los tiempos de espera y embarque en el servicio de urgencias, con el potencial de mejorar el flujo y la satisfacción del paciente.

Con este fin, el equipo de investigación ha presentado una propuesta de subvención a la Biblioteca Nacional de Medicina (NLM) [1R01LM014300 - 01A1] que investiga el desarrollo y la validación de modelos de predicción de admisión de pacientes conscientes de la equidad. El objetivo 2 de esta subvención estudia el efecto de estos modelos en las evaluaciones de la disposición del paciente por parte de los médicos de urgencias y corresponde a este protocolo. La NLM ha indicado su intención de financiar esta propuesta y los investigadores están en el proceso de presentar documentos para finalizar la adjudicación. Este componente del estudio está programado para el tercer año del estudio.

Estudios preliminares

Los investigadores realizaron una serie de estudios retrospectivos iniciales que establecieron que la admisión de pacientes se podía predecir con modelos de aprendizaje automático con anticipación en el servicio de urgencias del BCH, progresivamente durante la visita, así como en otros centros médicos con buena precisión (AUROC 0,9-0,93). .

A continuación, los investigadores descubrieron que la precisión de POPP en la predicción de la probabilidad de admisión añadió valor a las evaluaciones gestalt de los médicos que atienden en el servicio de urgencias. El valor predictivo positivo para la predicción de la admisión fue del 66% para los médicos, del 73% para POPP y del 86% para un modelo híbrido que combina los dos.

Finalmente, los investigadores desarrollaron métodos para el posprocesamiento de los modelos de predicción de la DE para que estén bien calibrados en todos los grupos demográficos de pacientes definidos por raza, sexo y producto de seguro.

Las predicciones del modelo se utilizan actualmente para ayudar con la coordinación de la cama, pero dado su alto valor, también pueden mejorar la toma de decisiones al lado de la cama. Con este estudio, nuestro objetivo ahora es probar, en un entorno simulado, seguro y realista, cómo las recomendaciones del modelo afectan las evaluaciones de probabilidad de ingreso por parte de los médicos que atienden en el servicio de urgencias.